重分割方法对改善直肠癌图像分割模型性能的影响

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在CT图像中对直肠癌的准确细分对于诊断和治疗计划至关重要.
• 深度学习模型因缺乏高质量,手动注释的数据集而难以对直肠瘤进行细分.
• 目前对直肠瘤的深度学习细分性能低于手动细分.

研究的目的:

• 开发和评估重新细分方法,以改进基于深度学习的直肠癌图像细分.
• 为了应对有限的高质量数据集在直肠瘤细分方面的挑战.
• 提高从直肠癌成像中获得的辅助诊断信息的准确性和有效性.

主要方法:

• 整理了354张直肠癌CT图像和308张专家标记的直肠区域图像的数据集.
• 使用数据集训练了六种不同的网络架构.
• 采用了一种新的重新细分方法,涉及模型预测的细分区域的手动校正,然后再培训.

主要成果:

• 重分割方法应用于各种流行的网络架构.
• 在应用重新细分方法之前和之后,进行了性能测量,以评估细分能力.
• 该研究证明了重新细分方法在提高细分性能方面的有效性.

结论:

• 拟议的重新细分方法显著提高了直肠癌图像细分模型的性能.
• 手动校正和重新训练模型输出是克服医疗成像深度学习数据局限性的有效策略.
• 这种方法为更准确,更可靠的直肠癌诊断自动细分提供了一条途径.